Clusterização de locais Críticos de Acidentes 2017-2019
1 Resumo
O presente estudo buscou caracterizar clusteres de acidentes, que representam manchas de ocorrências de acidentes. Após identificados os clusteres, todos acidentes foram atribuídos a seus respectivos clusteres, permitindo identificar o tipo, quantidade e severidade dos acidentes, após esta identificação foi realizada a caracterização de cada cluster, considerados então como locais de ocorrências de acidentes.
Para a correta identificação de locais críticos a abordagem mais recomendada sugere utilizar a taxa de exposição, que é dada pela relação de severidade dos acidentes e o número de veículos entrantes no ponto crítico, no entanto em cenários como da Porto Alegre em que foram identificados 3424 locais de acidentes, não existem registros de fluxo veicular para todos locais, o que inviabiliza tal abordagem.
Para contornar a limitação relativa ao fluxo veicular nos locais de acidentes, os mesmos foram classificados de acordo com a frequência e também de acordo com o fator crítico de cada acidente. Assim, os locais críticos aqui apresentados foram ordenados de acordo com a frequência de ocorrência bem como com relação ao padrão de severidade dos acidentes, onde acidentes sem vítimas possuem peso 1 (um), com feridos peso 5 (cinco) e com vítimas fatais 12 (doze). A abordagem utilizando fator crítico penaliza locais de ocorrência de acidentes mais severos, dando um escore de fator crítico maior, quando comparados a locais de mesma frequência de ocorrências, porém sem severidade.
Após identificados e classificados os locais críticos, foram eliminados os 99 quantis do ranqueamento, mantendo apenas os 1% mais severos que correspondem aos 34 locais com maior fator de severidade combinado (número de acidentes x fator crítico).
2 Identificação de Pontos Críticos
A literatura sobre segurança viária apresenta diversas maneiras de se obter pontos críticos de acidentes; desde modelos mais simples como o cálculo de Frequência de Acidentes, Taxa de Acidentes por meio de métodos numéricos e estatísticos bem como modelos mais sofisticados. Tais abordaagens tratam os locais de ocorrência de acidentes a partir de métricas como Número de Acidentes (Nacid), Severidade de Acidentes (UPS), Taxa de Acidentes que é obtida pela razão \(\frac{ \sum_{1}^{n} Acidentes }{\overline{(Total~Acidentes)}}\), já a Taxa de Severidade é dada por \(\frac{ \sum_{1}^{n} Taxa~Severidade~Local}{\overline{(Taxa~Severidade~Geral})}\).
A sofsticação dos modelos depende da informacão disponível. Os modelos mais sosticados exigem o volume de veículos entrantes a cada local. Tais modelos podem ser caracterizados como o Método de intervalo de confiança \(Taxa~de~Acidentes > Taxa˜Crítica\), Método da Medida Tripla \(((Taxa~Acidentes>Taxa~Crítica~Acidentes~ou~Severidade>Severidade~Crítica ) ~e~ (Frequência>Frequência~Crítica))\) e Método do Controle de Qualidade da Taxa CQT \(P(x) = \frac{e^{-\lambda Volume~Veicular}(\lambda Volume~Veicular)^x}{x!}\), onde \(x\) é definido pela Taxa Crítica de Poisson \(Tcr = \lambda + K * \sqrt{\frac{\lambda}{m}}+\frac{1}{2m}\) onde \(k\) é uma constante que indicao nível de confiança adotado, \(m\) o volume veicular e \(\lambda\) a taxa média de acidentes. Uma outra abordsagem utilizada constitui-se do Método Empírico de Bayes, onde se obtém a distribuição inicial \(\beta = \frac{V^**x`}{V^* x s^2-x`}\), onde \(V^*\) é a média harmônica de \(V\) (Volume de Tréfego), \(x`\) a média da taxa de acidentes e \(s^2\) a variância. Assim, dado \(\beta\) é possível obter \(\alpha = \beta*x`\) para então de posse dos valores combinar a distribuição inicial com a data de acidentes de determinado local para obtensão da densidade probabilidade do local em questão (distribuição posterior) que é uma distribuição gamma com os parâmetros \(\alpha_i = \alpha + Ni\) e \(\beta_i = \beta+Vi\), sendo \(Ni\) o numero de acidentes no local \(i\) e \(Vi\) o volume de tráfego no local \(i\) em milhões de veículos entrantes/ano. Assim o local será considerado ponto crítico quando a probabilidade local (posterior) for superior à taxa de acidentes regional observada \(P(\frac{Ta`~>~Tm`}{NI VI} > \delta )\), onde \(\delta\) é o nível de significância desejado.
No caso de Porto Alegre onde foram identificados xxx locais de acidentes, torna-se inviável calcular os volumes a cada ponto, dessa forma foram utilizadas simplificaçòes que prescindem do volume veícular para identificação de Pontos Críticos, em função da simplificação tais pontos foram conceituados comVo Locais Críticos.
3 Identificação de locais Críticos de Acidentes de Trânsito em Porto Alegre
Para obtenção de locais críticos de acidentes se faz necessário algum método de agregação de acidentes e análises dos mesmos. Em uma cidade com a dimensão de Porto Alegre o processo de análises por cruzamentos ou segmentos de vias se torna demorado e por vezes acaba por desconsiderar o pull de acidentes que possam ocorrer no entorno de vias ou aproxímações secundárias. Com o intuito de identificar locais críticos de acidentes que estrapolem geometrias como segmentos de vias e cruzamentos, o presente trabalho foi realizado utilizando o métdo de clusterizacão por Affinity Propagation. O processode Affinity Propagation busca identficar clusteres de acordo com seu arranjo natural - que não necessariamente se configura alinhado especificamente à cruzamentos ou segmentos de via. Diferente de outros processos de clusterização, o método de Affinity Propagation não exige a declaraacão prévia de um número de clusteres buscados; antes, por processos próprios de aprendizado competitivo o algorítimo identifica clusteres de acordo com seu arranjo natural. Tal processo se dá pela troca de sinais entre todos os elementos amostrais, e dessa forma os arranjos de clusteres são definidos por meio de proximidade entre os elementos amostrais. Dessa forma o tempo de responsta entre pares define a proximidade dos mesmos e afiliação destes a grupos homogêneos ou clusteres. Tal método quando aplicado a dados geoespaciais permite fazer com que registros de acidentes possam ser agrupados de acordo com sua proximidade e densidade; assim conjuntosde de dados vizinhos com distancias relativas iguais e densidades distintas são classificadas separadamente em clusteres distintos. O processode clusterização para o conjunto de dados no presente estido resultou na identificação de 3424.
Afim de ilustrar o resultado de um processo de clusterização, a figura abaixo fornece a simulação de uma clusterização:
A figura abaixo reproduz os 3424 clusteres de acidentes identificados em Porto Alegre considerando dados de acidentes entre 2017 e 2019 e que foram utilizados para classificar todos acidentes utilizados no processo de análise.
O processo final de clusterizacão foi obtido considerando acidentes entre 2017 e 2019 totalizando 33940 acidentes georreferenciados.
## [1] "Registros: 33940" "Registros: 7"## [1] 33940